基于最小最大优化研究深度学习入侵检测系统对对抗样本的抵抗能力
机器学习
2019-11-01 v1 机器学习
摘要
随着针对机器学习模型的对抗攻击不断增长，关于基于深度神经网络设计入侵检测系统（IDS）的潜在漏洞已引发诸多担忧。本文研究基于深度学习的入侵检测系统抵御对抗攻击的韧性。我们应用最小最大（或鞍点）方法，在 NSW-NB 15 数据集上训练对抗攻击样本下的入侵检测系统。我们采用最大方法来生成实现最大损失并攻击深度神经网络的对抗样本。另一方面，我们利用现有的最小方法 [2] [9] 作为防御策略，优化入侵检测系统以最小化对抗训练中所纳入对抗样本的损失。我们研究并度量了对抗攻击方法的有效性，以及经对抗训练的模型抵御此类攻击的抵抗能力。我们发现，为二值域设计的对抗攻击方法可用于连续域，并表现出不同的误分类水平。我们最终表明，基于主成分分析（PCA）的特征约简可借助深度神经网络（DNN）提升入侵检测系统（IDS）的鲁棒性。
引用
@article{arxiv.1910.14107,
title = {Investigating Resistance of Deep Learning-based IDS against Adversaries using min-max Optimization},
author = {Rana Abou Khamis and Omair Shafiq and Ashraf Matrawy},
journal= {arXiv preprint arXiv:1910.14107},
year = {2019}
}